CN112298210B - 一种无人驾驶汽车的控制系统及方法 - Google Patents
一种无人驾驶汽车的控制系统及方法 Download PDFInfo
- Publication number
- CN112298210B CN112298210B CN202011225436.2A CN202011225436A CN112298210B CN 112298210 B CN112298210 B CN 112298210B CN 202011225436 A CN202011225436 A CN 202011225436A CN 112298210 B CN112298210 B CN 112298210B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- driving
- automobile
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 230000004888 barrier function Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000003767 neural control Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
Abstract
本发明提供了一种无人驾驶汽车的控制系统,包括:交通环境监测单元、行驶行为预测单元、异常智能报警单元和行驶行为控制单元;所述环境参数处理模块用于对获取的汽车周围道路及障碍物标志图像数据、障碍物距离和车辆行驶的轨迹数据进行预处理;所述行驶行为预测单元用于根据汽车剩余动力源数据判断汽车运行在低电量模式或标准模式,并根据车辆检测数据和运行模式进行行驶路径预测并给出最优路径规划;所述异常智能报警单元用于进行异常状态报警提醒;所述行驶行为控制单元用于对车辆力矩、行驶速度和泊车位置进行实际控制,相应地,还提出一种无人驾驶汽车的控制方法,本发明对车辆实时控制效率更高、且分析准确,路径规划合理,鲁棒性较好。
Description
技术领域
本发明涉及无人驾驶技术领域,尤其涉及到一种无人驾驶汽车的控制系统及方法。
背景技术
无人驾驶汽车是一种智能汽车,也可以称之为轮式移动机器人,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。随着现代科学技术的发展,作为未来汽车产业的发展方向,它能大幅度提高交通系统的安全性。且可规划自己的行车路线,感知周围环境,针对实时交通情况做出合理决策,并辅助、甚至代替驾驶员进行车辆驾驶的能力,从而减小驾驶员的劳动强度,使车辆行驶过程变得更加安全、舒适、高效。然而目前的无人驾驶规划系统,由于环境干扰、算法复杂或误差率高以及能源计算误差等原因,导致规划效率低下,影响行驶安全。
综上所述,提供一种对车辆实时控制效率更高、且分析准确,路径规划合理,鲁棒性较好的无人驾驶汽车的控制系统及方法,是本领域技术人员急需解决的问题。
发明内容
本方案针对上文提到的问题和需求,提出一种无人驾驶汽车的控制系统及方法,其由于采取了如下技术方案而能够解决上述技术问题。
为实现上述目的,本发明提供如下技术方案:一种无人驾驶汽车的控制系统,包括:交通环境监测单元、行驶行为预测单元、异常智能报警单元、行驶行为控制单元;
所述交通环境监测单元包括环境参数处理模块和汽车动力监测模块,所述环境参数处理模块用于对获取的汽车周围道路及障碍物标志图像数据、障碍物距离和车辆行驶的轨迹数据进行处理并发送至所述行驶行为预测单元,所述汽车动力监测模块用于监测计算汽车的动力源可供行驶的速度及距离;
所述行驶行为预测单元包括行驶模式判断模块和行驶路径预测模块,所述行驶模式判断模块用于根据汽车剩余动力源数据判断汽车运行在低电量模式或标准模式,所述行驶路径预测模块用于根据所述环境参数处理模块发送的检测数据和所述行驶模式判断模块的判断结果进行行驶路径预测并给出最优路径规划,所述行驶路径预测模块包括数据接收模块、路径规划模块、图像识别模块和模糊神经控制模块,所述数据接收模块用于缓存预处理数据、接收目的地位置信息和存储电子地图,所述路径规划模块与所述数据接收模块相连接;
所述异常智能报警单元用于在车辆距离周围障碍物的距离小于安全预设距离时、车辆发生故障及电量不足和泊车时进行远程和本地双模式报警提醒,所述异常智能报警单元与所述交通环境监测单元和所述行驶行为预测单元相连接;
所述行驶行为控制单元用于对汽车行驶过程中的车辆驱动制动力矩、行驶速度和泊车位置进行实际控制,所述行驶行为控制单元包括上行控制指令接收模块和底盘控制模块,所述上行控制指令接收模块用于接收所述行驶行为预测单元输出的指令参数并反馈控制结果,所述底盘控制模块用于控制汽车的实际制动驱动和转向动作。
进一步地,所述交通环境监测单元还包括数据加密模块和数据存储模块,所述数据存储模块用于对汽车驾驶的轨迹和运行数据进行云存储,所述数据加密模块用于在进行数据传输及存储过程进行加密处理,所述数据加密模块采用基于对称和不对称加密算法的方法进行数据加解密。
更进一步地,所述环境参数处理模块对获取的图像数据和多个传感节点采集的障碍物距离和车辆行驶的轨迹数据进行预处理得到可进行计算的统一数据格式,所述预处理包括对图像数据进行畸变及增强处理和对冗余传感数据进行筛选和格式统一处理。
更进一步地,所述数据接收模块接收预处理后的图像信息和传感参数对其进行缓存并按照时间序列将所述图像信息和传感参数传递至所述路径规划模块,所述路径规划模块采用基于A*启发式搜索算法进行全局最优路径规划和局部避障,所述模糊神经控制模块接收输入的车辆方向误差和位置误差参数;将高斯函数作为模糊神经网络的规则的隶属函数,根据模糊隶属函数来对输入数据进行模糊化处理,并进行权值修正;再根据设定规则库中的模糊控制规则和隶属函数对输出数据进行反模糊化处理;对输入误差进行迭代训练当误差值小于误差给定值时停止学习,输出车辆轮转角参数。
更进一步地,所述轨迹数据包括车辆瞬时速度、加速度、轮胎转角、车辆位置和车体长度信息。
更进一步地,所述汽车动力监测模块采用基于神经网络CANN的剩余电量计算方法计算汽车电瓶的剩余电量,并根据车辆的行驶速度阈值计算出汽车前进所需功率,再将所述功率平均到汽车的多个驱动轮,计算出扭矩进而再由扭矩得到所需电流,由所需电流得出剩余电量可供行驶的距离阈值。
一种无人驾驶汽车的控制方法,具体包括:
S1:上电后,系统进行自检,自检完成后激活图像采集装置及各传感器节点进行信息采集,所述环境参数处理模块对获取的图像数据和多个传感节点采集的障碍物距离和车辆行驶的轨迹数据进行预处理得到可进行计算的统一格式数据,所述预处理包括对图像数据进行畸变校正和高斯滤波处理和对冗余传感数据进行筛选和格式统一处理,并将预处理后数据发送至所述数据接收模块;
S2:所述汽车动力监测模块计算汽车的动力源可供行驶的速度及距离阈值,并将所述阈值信息发送给所述行驶模式判断模块,所述行驶模式判断模块根据汽车剩余动力源可供行驶的最大速度对应距离和最小速度对应距离数据,来判断汽车运行在低电量模式或标准模式;
S3:当汽车运行在低电量模式时,所述路径规划模块根据所述数据接收模块存储的电子地图寻找最近的泊车地点和充电地点,同时,所述异常智能报警单元进行远程和本地双模式报警提醒;
S4:当汽车运行在标准模式时,所述路径规划模块根据所述数据接收模块传递的预处理数据进行自动避障和路径规划,并由所述模糊神经控制模块对汽车的速度和轮转角数据进行动态调节,并输出实时控制参数发送至所述上行控制指令接收模块,由上行控制指令接收模块传递给所述底盘控制模块并向所述模糊神经控制模块反馈控制结果;
S5:在行驶过程中,当检测到周围障碍物与车体距离超过预设的最小安全距离时所述异常智能报警单元进行报警提醒,同时,行驶时由所述图像识别模块对道路及交通标志进行识别。
更进一步地,所述基于对称和不对称加密算法包括:发送方建立与接收方的链接并发布公开密钥给接收方,接收方从发送方接收公开密钥并用公开密钥加密对称密钥;接收方把加密后的对称密钥回传给发送方,发送方用私有密钥解密接收方加密过的对称密钥,发送方用解密的对称密钥加密要传输的数据;发送方通过网络把加密数据发送给接收方,接收方用对称密钥解密发送方传输过来的加密数据,完成一次混合加密数据处理过程。
更进一步地,所述对道路及交通标志进行识别包括:所述图像识别模块获取预处理后的图像数据,将其转换到HSV颜色空间,然后对所述图像数据的各分量进行归一化,然后根据H、S分量来实现图像中不同颜色的分离,得到交通标志图像的颜色特征;采Canny算子对进行颜色分类后的图像进行边缘信息的提取,根据提取的边缘信息,计算最外层的轮廓的最小外接矩形和其质心以及最外层轮廓的面积,由交通标志的形状与外接矩形比值不同提取交通标志的形状特征,得到粗分类结果;最后采用SURF算法对所述数据图像进行局部特征点的提取,再和交通标志特征数据库中交通标志样本的SURF特征匹配,并对误匹配的特征点对进行筛选,获得有效的特征点对,输出识别结果。
从上述的技术方案可以看出,本发明的有益效果是:本发明对对车辆实时控制效率更高、且分析准确,路径规划合理,鲁棒性较好,且能对行车能源作出精准预估,并自动寻找安全泊车地点和进行报警提示。
除了上面所描述的目的、特征和优点之外,下文中将结合附图对实施本发明的最优实施例进行更详尽的描述,以便能容易地理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下文将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,其中,附图仅仅用于展示本发明的一些实施例,而非将本发明的全部实施例限制于此。
图1为本发明中无人驾驶汽车的控制系统的组成示意图。
图2为本发明中一种无人驾驶汽车的控制方法的具体步骤示意图。
图3为本实施例中基于对称和不对称加密算法过程的具体示意图。
图4为本实施例中道路及交通标志进行识别过程的具体步骤示意图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚,下文中将结合本发明具体实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一体,是计算机科学、模式识别和智能控制技术高度发展的产物。本发明提供了一种对车辆实时控制效率更高、且分析准确,路径规划合理,鲁棒性较好的无人驾驶汽车的控制系统及方法。如图1至图4所示,该系统包括:交通环境监测单元、行驶行为预测单元、异常智能报警单元和行驶行为控制单元,其中,所述交通环境监测单元包括环境参数处理模块和汽车动力监测模块,所述环境参数处理模块用于对获取的汽车周围道路及障碍物标志图像数据、障碍物距离和车辆行驶的轨迹等数据进行预处理并发送至所述行驶行为预测单元,由其进行进一步分析处理,而所述汽车动力监测模块用于监测计算汽车的动力源可供行驶的速度及距离,本实施例中,所述汽车动力监测模块采用基于神经网络CANN的剩余电量计算方法计算汽车电瓶的剩余电量,并根据车辆的行驶速度阈值计算出汽车前进所需功率,再将所述功率平均到汽车的多个驱动轮,计算出扭矩进而再由扭矩得到所需电流,由所需电流得出剩余电量可供行驶的距离阈值。。本系统中,所述交通环境监测单元还包括数据加密模块和数据存储模块,所述数据存储模块用于对汽车驾驶的轨迹和运行数据进行云存储,所述数据加密模块用于在进行数据传输及存储过程进行加密处理,所述数据加密模块采用基于对称和不对称加密算法的方法进行数据加解密。
如图3所示,所述基于对称和不对称加密算法过程包括:发送方建立与接收方的链接并发布公开密钥给接收方,接收方从发送方接收公开密钥并用公开密钥加密对称密钥;接收方把加密后的对称密钥回传给发送方,发送方用私有密钥解密接收方加密过的对称密钥,发送方用解密的对称密钥加密要传输的数据;发送方通过网络把加密数据发送给接收方,接收方用对称密钥解密发送方传输过来的加密数据,完成一次混合加密数据处理过程。在本实施例中,DES用于明文加密,RSA用于DES对称密钥加密及两次传送,从而实现安全可靠,快速加密的目的。
所述环境参数处理模块对获取的图像数据和多个传感节点采集的障碍物距离和车辆行驶的轨迹数据进行预处理得到可进行计算的统一数据格式,所述预处理包括对图像数据进行畸变及增强处理和对冗余传感数据进行筛选和格式统一处理。其中,所述轨迹数据车辆瞬时速度、加速度、轮胎转角、车辆位置和车体长度等信息。
所述行驶行为预测单元包括行驶模式判断模块和行驶路径预测模块,所述行驶模式判断模块用于根据汽车剩余动力源数据判断汽车运行在低电量模式或标准模式,所述行驶路径预测模块用于根据所述环境参数处理模块发送的检测数据和所述行驶模式判断模块的判断结果进行行驶路径预测并给出最优路径规划,所述行驶路径预测模块包括数据接收模块、路径规划模块、图像识别模块和模糊神经控制模块,所述数据接收模块用于缓存预处理数据、接收目的地位置信息和存储电子地图,所述路径规划模块与所述数据接收模块相连接。所述数据接收模块接收预处理后的图像信息和传感参数对其进行缓存并按照时间序列将所述图像信息和传感参数传递至所述路径规划模块,所述路径规划模块采用基于A*启发式搜索算法进行全局最优路径规划和局部避障,所述模糊神经控制模块接收输入的车辆方向误差和位置误差参数;将高斯函数作为模糊神经网络的规则的隶属函数,根据模糊隶属函数来对输入数据进行模糊化处理,并进行权值修正;再根据设定规则库中的模糊控制规则和隶属函数对输出数据进行反模糊化处理;对输入误差进行迭代训练当误差值小于误差给定值时停止学习,输出车辆轮转角参数。
系统中的异常智能报警单元用于在车辆距离周围障碍物的距离小于安全预设距离时、车辆发生故障及电量不足和泊车时进行远程和本地双模式报警提醒,所述异常智能报警单元与所述交通环境监测单元和所述行驶行为预测单元相连接。
所述行驶行为控制单元用于对汽车行驶过程中的车辆驱动制动力矩、行驶速度和泊车位置进行实际控制,所述行驶行为控制单元包括上行控制指令接收模块和底盘控制模块,所述上行控制指令接收模块用于接收所述行驶行为预测单元输出的指令参数并反馈控制结果,所述底盘控制模块用于控制汽车的实际制动驱动和转向动作。
如图2所示,一种无人驾驶汽车的控制方法,具体包括:
S1:上电后,系统进行自检,自检完成后激活图像采集装置及各传感器节点进行信息采集,所述环境参数处理模块对获取的图像数据和多个传感节点采集的障碍物距离和车辆行驶的轨迹数据进行预处理得到可进行计算的统一格式数据,所述预处理包括对图像数据进行畸变校正和高斯滤波处理和对冗余传感数据进行筛选和格式统一处理,并将预处理后数据发送至所述数据接收模块;
S2:所述汽车动力监测模块计算汽车的动力源可供行驶的速度及距离阈值,并将所述阈值信息发送给所述行驶模式判断模块,所述行驶模式判断模块根据汽车剩余动力源可供行驶的最大速度对应距离和最小速度对应距离数据,来判断汽车运行在低电量模式或标准模式;
S3:当汽车运行在低电量模式时,所述路径规划模块根据所述数据接收模块存储的电子地图寻找最近的泊车地点和充电地点,同时,所述异常智能报警单元进行远程和本地双模式报警提醒;
S4:当汽车运行在标准模式时,所述路径规划模块根据所述数据接收模块传递的预处理数据进行自动避障和路径规划,并由所述模糊神经控制模块对汽车的速度和轮转角数据进行动态调节,并输出实时控制参数发送至所述上行控制指令接收模块,由上行控制指令接收模块传递给所述底盘控制模块并向所述模糊神经控制模块反馈控制结果;
S5:在行驶过程中,当检测到周围障碍物与车体距离超过预设的最小安全距离时所述异常智能报警单元进行报警提醒,同时,行驶时由所述图像识别模块对道路及交通标志进行识别。如图4所示,所述对道路及交通标志进行识别过程包括:a.所述图像识别模块获取预处理后的图像数据,将其转换到HSV颜色空间;b.然后对所述图像数据的各分量进行归一化,然后根据H、S分量来实现图像中不同颜色的分离,得到交通标志图像的颜色特征;c.采Canny算子对进行颜色分类后的图像进行边缘信息的提取,根据提取的边缘信息,计算最外层的轮廓的最小外接矩形和其质心以及最外层轮廓的面积,由交通标志的形状与外接矩形比值不同提取交通标志的形状特征,得到粗分类结果;d.最后采用SURF算法对所述数据图像进行局部特征点的提取,再和交通标志特征数据库中交通标志样本的SURF特征匹配,并对误匹配的特征点对进行筛选,获得有效的特征点对,输出识别结果。
应当说明的是,本发明所述的实施方式仅仅是实现本发明的优选方式,对属于本发明整体构思,而仅仅是显而易见的改动,均应属于本发明的保护范围之内。
Claims (7)
1.一种无人驾驶汽车的控制系统,其特征在于,包括:交通环境监测单元、行驶行为预测单元、异常智能报警单元和行驶行为控制单元;
所述交通环境监测单元包括环境参数处理模块和汽车动力监测模块,所述环境参数处理模块用于对获取的汽车周围道路及障碍物标志图像数据、障碍物距离和车辆行驶的轨迹数据进行预处理并发送至所述行驶行为预测单元,所述汽车动力监测模块用于监测计算汽车的动力源可供行驶的速度及距离;
所述行驶行为预测单元包括行驶模式判断模块和行驶路径预测模块,所述行驶模式判断模块用于根据汽车剩余动力源数据判断汽车运行在低电量模式或标准模式,所述行驶路径预测模块用于根据所述环境参数处理模块发送的检测数据和所述行驶模式判断模块的判断结果进行行驶路径预测并给出最优路径规划,所述行驶路径预测模块包括数据接收模块、路径规划模块、图像识别模块和模糊神经控制模块,所述数据接收模块用于缓存预处理数据、接收目的地位置信息和存储电子地图,所述路径规划模块与所述数据接收模块相连接;
所述异常智能报警单元用于在车辆距离周围障碍物的距离小于安全预设距离时、车辆发生故障及电量不足和泊车时进行远程和本地双模式报警提醒,所述异常智能报警单元与所述交通环境监测单元和所述行驶行为预测单元相连接;
所述行驶行为控制单元用于对汽车行驶过程中的车辆驱动制动力矩、行驶速度和泊车位置进行实际控制,所述行驶行为控制单元包括上行控制指令接收模块和底盘控制模块,所述上行控制指令接收模块用于接收所述行驶行为预测单元输出的指令参数并反馈控制结果,所述底盘控制模块用于控制汽车的实际制动驱动和转向动作;
所述环境参数处理模块对获取的图像数据和多个传感节点采集的障碍物距离和车辆行驶的轨迹数据进行预处理得到可进行计算的统一数据格式,所述预处理包括对图像数据进行畸变及增强处理和对冗余传感数据进行筛选和格式统一处理;
所述数据接收模块接收预处理后的图像信息和传感参数对其进行缓存并按照时间序列将所述图像信息和传感参数传递至所述路径规划模块,所述路径规划模块采用基于A*启发式搜索算法进行全局最优路径规划和局部避障,所述模糊神经控制模块接收输入的车辆方向误差和位置误差参数;将高斯函数作为模糊神经网络的规则的隶属函数,根据模糊隶属函数来对输入数据进行模糊化处理,并进行权值修正;再根据设定规则库中的模糊控制规则和隶属函数对输出数据进行反模糊化处理;对输入误差进行迭代训练当误差值小于误差给定值时停止学习,输出车辆轮转角参数。
2.如权利要求1所述的无人驾驶汽车的控制系统,其特征在于,所述交通环境监测单元还包括数据加密模块和数据存储模块,所述数据存储模块用于对汽车驾驶的轨迹和运行数据进行云存储,所述数据加密模块用于在进行数据传输及存储过程进行加密处理,所述数据加密模块采用基于对称和不对称加密算法的方法进行数据加解密。
3.如权利要求1所述的无人驾驶汽车的控制系统,其特征在于,所述轨迹数据包括车辆瞬时速度、加速度、轮胎转角、车辆位置和车体长度信息。
4.如权利要求3所述的无人驾驶汽车的控制系统,其特征在于,所述汽车动力监测模块采用基于神经网络CANN的剩余电量计算方法计算汽车电瓶的剩余电量,并根据车辆的行驶速度阈值计算出汽车前进所需功率,再将所述功率平均到汽车的多个驱动轮,计算出扭矩进而再由扭矩得到所需电流,由所需电流得出剩余电量可供行驶的距离阈值。
5.一种基于如权利要求1至4中任一项所述的控制系统的控制方法,该控制方法用于无人驾驶汽车的控制,其特征在于,该控制方法具体包括:
S1:上电后,系统进行自检,自检完成后激活图像采集装置及各传感器节点进行信息采集,所述环境参数处理模块对获取的图像数据和多个传感节点采集的障碍物距离和车辆行驶的轨迹数据进行预处理得到可进行计算的统一格式数据,所述预处理包括对图像数据进行畸变校正和高斯滤波处理和对冗余传感数据进行筛选和格式统一处理,并将预处理后数据发送至所述数据接收模块;
S2:所述汽车动力监测模块计算汽车的动力源可供行驶的速度及距离阈值,并将所述阈值信息发送给所述行驶模式判断模块,所述行驶模式判断模块根据汽车剩余动力源可供行驶的最大速度对应距离和最小速度对应距离数据,来判断汽车运行在低电量模式或标准模式;
S3:当汽车运行在低电量模式时,所述路径规划模块根据所述数据接收模块存储的电子地图寻找最近的泊车地点和充电地点,同时,所述异常智能报警单元进行远程和本地双模式报警提醒;
S4:当汽车运行在标准模式时,所述路径规划模块根据所述数据接收模块传递的预处理数据进行自动避障和路径规划,并由所述模糊神经控制模块对汽车的速度和轮转角数据进行动态调节,并输出实时控制参数发送至所述上行控制指令接收模块,由上行控制指令接收模块传递给所述底盘控制模块并向所述模糊神经控制模块反馈控制结果;
S5:在行驶过程中,当检测到周围障碍物与车体距离超过预设的最小安全距离时所述异常智能报警单元进行报警提醒,同时,行驶时由所述图像识别模块对道路及交通标志进行识别。
6.如权利要求5所述的控制方法,其特征在于,所述基于对称和不对称加密算法包括:发送方建立与接收方的链接并发布公开密钥给接收方,接收方从发送方接收公开密钥并用公开密钥加密对称密钥;接收方把加密后的对称密钥回传给发送方,发送方用私有密钥解密接收方加密过的对称密钥,发送方用解密的对称密钥加密要传输的数据;发送方通过网络把加密数据发送给接收方,接收方用对称密钥解密发送方传输过来的加密数据,完成一次混合加密数据处理过程。
7.如权利要求5所述的控制方法,其特征在于,所述对道路及交通标志进行识别包括:所述图像识别模块获取预处理后的图像数据,将其转换到HSV颜色空间,然后对所述图像数据的各分量进行归一化,然后根据H、S分量来实现图像中不同颜色的分离,得到交通标志图像的颜色特征;采Canny算子对进行颜色分类后的图像进行边缘信息的提取,根据提取的边缘信息,计算最外层的轮廓的最小外接矩形和其质心以及最外层轮廓的面积,由交通标志的形状与外接矩形比值不同提取交通标志的形状特征,得到粗分类结果;最后采用SURF算法对所述数据图像进行局部特征点的提取,再和交通标志特征数据库中交通标志样本的SURF特征匹配,并对误匹配的特征点对进行筛选,获得有效的特征点对,输出识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225436.2A CN112298210B (zh) | 2020-11-05 | 2020-11-05 | 一种无人驾驶汽车的控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225436.2A CN112298210B (zh) | 2020-11-05 | 2020-11-05 | 一种无人驾驶汽车的控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112298210A CN112298210A (zh) | 2021-02-02 |
CN112298210B true CN112298210B (zh) | 2021-12-10 |
Family
ID=74326426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011225436.2A Active CN112298210B (zh) | 2020-11-05 | 2020-11-05 | 一种无人驾驶汽车的控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112298210B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104943684A (zh) * | 2014-03-31 | 2015-09-30 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
CN108445885A (zh) * | 2018-04-20 | 2018-08-24 | 鹤山东风新能源科技有限公司 | 一种基于纯电动物流车的自动驾驶系统及其控制方法 |
CN108973982A (zh) * | 2018-06-28 | 2018-12-11 | 浙江吉利控股集团有限公司 | 一种关于混动车型的驱动模式切换系统 |
CN109765895A (zh) * | 2019-01-24 | 2019-05-17 | 平安科技(深圳)有限公司 | 无人驾驶车辆控制方法、装置、无人驾驶车辆及存储介质 |
CN111391820A (zh) * | 2020-03-20 | 2020-07-10 | 刘丹 | 新能源混合汽车控制方法、装置、设备和存储介质 |
CN111683855A (zh) * | 2019-04-15 | 2020-09-18 | 深圳市大疆创新科技有限公司 | 一种自动驾驶车辆的报警控制方法、设备及自动驾驶车辆 |
-
2020
- 2020-11-05 CN CN202011225436.2A patent/CN112298210B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104943684A (zh) * | 2014-03-31 | 2015-09-30 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
CN108445885A (zh) * | 2018-04-20 | 2018-08-24 | 鹤山东风新能源科技有限公司 | 一种基于纯电动物流车的自动驾驶系统及其控制方法 |
CN108973982A (zh) * | 2018-06-28 | 2018-12-11 | 浙江吉利控股集团有限公司 | 一种关于混动车型的驱动模式切换系统 |
CN109765895A (zh) * | 2019-01-24 | 2019-05-17 | 平安科技(深圳)有限公司 | 无人驾驶车辆控制方法、装置、无人驾驶车辆及存储介质 |
CN111683855A (zh) * | 2019-04-15 | 2020-09-18 | 深圳市大疆创新科技有限公司 | 一种自动驾驶车辆的报警控制方法、设备及自动驾驶车辆 |
CN111391820A (zh) * | 2020-03-20 | 2020-07-10 | 刘丹 | 新能源混合汽车控制方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112298210A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11249479B2 (en) | System to recommend sensor view for quick situational awareness | |
US11120688B2 (en) | Orientation-adjust actions for autonomous vehicle operational management | |
US11782438B2 (en) | Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data | |
CN110234959B (zh) | 用于自主车辆的预先威胁警示 | |
US11714971B2 (en) | Explainability of autonomous vehicle decision making | |
KR20210134635A (ko) | 자율 주행 차량 시스템 | |
CN104853972B (zh) | 利用板载车辆平台中的图像处理支持扩增车辆的adas特征 | |
US11181927B2 (en) | Automated learning system for improved pickup/dropoff maneuver | |
CN113924535A (zh) | 用于异常处理的遥操作 | |
US20210261123A1 (en) | Autonomous Vehicle Operation with Explicit Occlusion Reasoning | |
US20200234191A1 (en) | Travel model generation system, vehicle in travel model generation system, and processing method | |
US11546353B2 (en) | Detection of malicious activity on CAN bus | |
CN103871242A (zh) | 一种驾驶行为综合评价系统与方法 | |
US11874120B2 (en) | Shared autonomous vehicle operational management | |
EP3842312A1 (en) | Electronic apparatus for detecting risk factors around vehicle and method for controlling same | |
EP4250267A1 (en) | Vehicle of interest detection by autonomous vehicles based on amber alerts | |
CN108437915A (zh) | 一种基于驾驶习惯的云端大数据分析与控制系统 | |
CN106985818A (zh) | 一种基于云计算的机动车智能驾驶辅助系统 | |
CN112298210B (zh) | 一种无人驾驶汽车的控制系统及方法 | |
US20240017746A1 (en) | Assessing present intentions of an actor perceived by an autonomous vehicle | |
US11899454B2 (en) | Objective-based reasoning in autonomous vehicle decision-making | |
CN116323359B (zh) | 低置信度对象检测条件下的运载工具操作的注释和绘制成图 | |
US20230054974A1 (en) | Intersection Risk Indicator | |
US11613269B2 (en) | Learning safety and human-centered constraints in autonomous vehicles | |
CN214504216U (zh) | 一种自动行驶配送车 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210202 Assignee: Wenzhou Jicheng Network Co.,Ltd. Assignor: Big data and Information Technology Research Institute of Wenzhou University Contract record no.: X2023330000911 Denomination of invention: A Control System and Method for Autonomous Vehicles Granted publication date: 20211210 License type: Common License Record date: 20231208 |